Materi Webinar AI-ASN

Artificial
Intelligence
in Daily Life
Nur Aini Rakhmawati, PhD
Associate Professor of Information Systems
Institut Teknologi Sepuluh Nopember Surabaya
Manakah yang menggunakan AI
https://app.wooclap.com/AIASN
Apakah Artificial
Intelligence ?
• Alias Kecerdasan buatan
AI adalah kemampuan
sistem untuk
menafsirkan data
eksternal dengan
benar, untuk belajar
dari data tersebut,
dan menggunakan
pembelajaran
tersebut guna
mencapai tujuan dan
tugas tertentu melalui
adaptasi yang
fleksibel
Apakah kita
menggunakan
robot?
We use AI every day,
no matter where we
work or what we do.
Search Engine (Mesin Pencari)
Social Media Advertising
• Prediksi target iklan di media sosial

Rekomendasi teman yang mau
difollow
Rekomendasi postingan
berdasarkan apa yang sering lihat
Rekomendasi grup
Social Media
Recommendation
Chatbot
Foto Ini oleh Penulis tidak diketahui dilisensikan di

bawah CC BY-SA.
E-commerce
Sejarah AI
1950 1997
Alan Turin membuat turing Deep Blue IBM main
test catur
John McCarthy
menggunakan terminologi Banyak perangkat berbasis
‘artificial intelligence’ AI
1956 2002 – now

AI mampu
1 2 3 4
Acting Thinking Thinking Acting
Humanly Humanly Rationally Rationally
Dangerous
Risks of
Artificial
Intelligence
Social manipulation
https://adssettings.google.com/authenticated
Banyak browser menyertakan
kemampuan untuk mengirim permintaan
"jangan lacak" ke situs web yang meminta
Enable “do mereka untuk tidak mengumpulkan atau
not track” in melacak data penelusuran Anda.
your
Kadang sebagian besar situs web dan
browser server web tidak mengubah perilakunya
dan tampaknya mengabaikan permintaan
tersebut.
Hapus Cookies
Cookies adalah paket data kecil

yang dikirim oleh situs web dan Data dalam cookie ini dapat
disimpan di komputer Anda. membentuk gambaran tentang
Mereka berisi informasi yang kebiasaan online Anda, yang
berbeda seperti isi keranjang berarti dapat digunakan untuk
belanja Anda atau preferensi melanggar privasi Anda.
Anda di situs web tertentu.
Menghapus cache penelusuran internet
File sementara seperti Penghapusan akan

halaman web dan mempercepat
media online disimpan pengalaman
dalam cache. menjelajah web.
Mengaktifkan pengaturan privasi di akun
pribadi
https://safety.google/privacy/privacy-controls/
https://www.red-gate.com/simple-talk/development/data-
science-development/the-social-impact-of-artificial-intelligence-
and-data-privacy-issues/
AI Fairness
https://twitter.com/MarcFaddoul
https://haas.berkeley.edu/wp-content/uploads/What-is-fairness_-EGAL2.pdf
Word embedding dilatih di artikel Google Berita
menunjukkan dan pada kenyataannya melanggengkan
stereotip berbasis gender di masyarakat
data yang digunakan
untuk melatih
pengenalan wajah
Amazon sebagian besar
didasarkan pada wajah
putih, yang
menyebabkan masalah
dalam mendeteksi
wajah berkulit gelap
https://www.propublica.
org/article/machine-
bias-risk-assessments-
in-criminal-sentencing
• Pada tahun 2017, algoritma Facebook yang
dirancang untuk menghapus ujaran kebencian
online ditemukan untuk menguntungkan pria
kulit putih daripada anak-anak kulit hitam saat
menilai konten yang tidak pantas, menurut
dokumen internal Facebook.
• Algoritma yang merupakan kombinasi dari
program komputer dan peninjau konten
manusia, dibuat untuk melindungi kategori
yang luas daripada subkumpulan kategori
tertentu. Misalnya, postingan yang mencela
"Muslim" akan diblokir, sementara postingan
yang mencela "Muslim Radikal" akan diizinkan.
Artificial Intelligence, if
used wisely, holds great
potential for human
being
SLIDES BY
FASILKOM UI
AI for Text Analytics

Fariz Darari, Ph.D.
SLIDES BY
Fariz Darari, Ph.D.
FASILKOM UI
Assistant Professor at Faculty of CS, UI
Co-Director at Tokopedia-UI AI Center
Training Manager at Pusilkom UI
Arek Malang budal nang Berlin taun 2011
Education:
Libera Università di Bolzano, Italy
Technische Universität Dresden, Germany
Universitas Indonesia
Awards:
SWSA Distinguished Dissertation
Enno Heidebroek Award
EMCL Best Thesis
Spree River, Berlin, circa 2011

SLIDES BY
FASILKOM UI
Salam kenal untuk
rekan-rekan ASN se-Jawa Timur semua! 🤝
Salam hangat dari Universitas Indonesia! 🟡🔥

SLIDES BY
FASILKOM UI
SLIDES BY
FASILKOM UI What is text analytics?
SLIDES BY
Text Analytics FASILKOM UI
It is the process of using computers,

to read and understand texts,
for business and organizational
wisdom and actionable insights.
TEXTUAL DATA
SLIDES BY
Text Analytics relies on NLP FASILKOM UI
SLIDES BY
Text Analytics Pipeline FASILKOM UI
SLIDES BY
FASILKOM UI
SLIDES BY
FASILKOM UI Text analytics use cases
SLIDES BY
Word Cloud FASILKOM UI
A word cloud provides a simple yet beautiful visualization of

SLIDES BY important keywords in a text
FASILKOM UI Note: The word cloud above is generated from tweets of

https://twitter.com/Bisniscom
SLIDES BY
Word Cloud: DIY FASILKOM UI
Let's create your own word cloud in just two steps:

1) Find a text then copy-paste the text into:
https://worditout.com/word-cloud/create
2) Now click: Generate
Tips: On the word cloud result, you can click Regenerate to change
the word cloud style to suit your personality 😎
SLIDES BY
Entity Extraction FASILKOM UI
Entity extraction enables computers to automatically identify

SLIDES BY or extract entities, like person, organization, event, location,
etc
FASILKOM UI
SLIDES BY
Entity Extraction: DIY FASILKOM UI
Let's perform entity extraction easily:

1) Find a text then copy-paste the text into:
https://www.textrazor.com/demo
2) Now click: Analyze
3) The extracted entities will appear in bold texts.
SLIDES BY
FASILKOM UI
SLIDES BY
SLIDES BY
FASILKOM UI
SLIDES BY
SLIDES BY
FASILKOM UI
SLIDES BY
SLIDES BY
FASILKOM UI
SLIDES BY
SLIDES BY
FASILKOM UI
SLIDES BY
FASILKOM UI
SLIDES BY
FASILKOM UI
SLIDES BY
Sentiment Analysis: DIY FASILKOM UI
https://www.uclassify.com/browse/uclassify/sentiment?input=Text
SLIDES BY
Text Classification FASILKOM UI
SLIDES BY
FASILKOM UI
SLIDES BY
Text Classification: DIY FASILKOM UI
SLIDES BY
FASILKOM UI https://www.uclassify.com/browse/uclassify/topics?input=Text
SLIDES BY
Text Clustering: Reveal Underlying Topics FASILKOM UI
SLIDES BY
FASILKOM UI
SLIDES BY
Text Clustering: Reveal Underlying Topics FASILKOM UI
SLIDES BY
FASILKOM UI
SLIDES BY
Text Clustering: Reveal Underlying Topics (DIY) FASILKOM UI
Let's perform text clustering the quick way:

1) Go to Carrot at:
https://search.carrot2.org/#/search/web
2) Enter your own keywords you want to do clustering,
for example, nasi goreng, speak bola, etc
3) Choose the tab treemap for a nice clustering visualization
SLIDES BY
FASILKOM UI
SLIDES BY
FASILKOM UI
SLIDES BY
FASILKOM UI
SLIDES BY
Chat Bot (Storyteller) FASILKOM UI
SLIDES BY
FASILKOM UI
SLIDES BY
FASILKOM UI
ChatGPT
SLIDES BY
FASILKOM UI
See the continuation at:
https://chat.openai.com/share/0d66449e-125b-4e9e-87cc-f0a4f1908454
SLIDES BY
With the additional help of text-to-speech on Google Translate and Veed.io,
I can generate this YouTube video of Daswer Gaming Bedtime Story FASILKOM UI
SLIDES BY
FASILKOM UI
SLIDES BY
FASILKOM UI
Fariz
A regular user of ChatGPT for generating
Sam Altman bedtime stories for his son :-)
CEO of OpenAI (Company behind ChatGPT)
SLIDES BY
FASILKOM Sam
UI Altman visited Indonesia on June 14, 2023
@ Hotel Indonesia Kempinski Jakarta
SLIDES BY
Chat Bot (Social Media Specialist) FASILKOM UI
SLIDES BY
FASILKOM UI
SLIDES BY
Chat Bot (Social Media Specialist) FASILKOM UI
SLIDES BY
FASILKOM UI
SLIDES BY
FASILKOM UI
SLIDES BY
FASILKOM UI
SLIDES BY
Conclusions FASILKOM UI
We live in the exciting era of AI, natural language processing (NLP), and
text analytics.
Can we make the best use of these tech advancements to deliver

excellent services to the public with respect to our duties as ASN?
SURE, WE CAN!
SLIDES BY
FASILKOM UI
SLIDES BY
FASILKOM UI
Persiapan ASN menghadapi serbuan AI
Dr. rer. nat. I Made Wiryana, SSi, SKom, MAppSc
Koordinator Kerjasama Internasional

Universitas Gunadarma - Indonesia
Riwayat Pendidikan Pengalaman Industri

• S3, Bidang Informatik, Bielefeld, Germany • Asisten Staf Khusus Presiden bid. Komunikasi Politik – 2010 - 2014
• S2, Bidang Computer Studies, Edith Cowan University, Australia • Tim Evaluator Eksternal dan Instruktur Asistensi/Piloting Sistem Pemerintahan Berbasis Elektronik (SPBE),
KemenpanRB
• S1, Bidang Fisika, Universitas Indonesia, Jakarta
• Tim Integrasi BKN – SIASN, Tim pengembang PISPK, mHealth – Kemenkes, CAT Polri - PMJ
• S1, Bidang Teknik Informatika, Universitas Gunadarma, Jakarta
• Tim Pakar Pengembangan Dukcapil - Kemendagri, Tim Akademis Perbaikan Jaminan Kesehatan Nasional (JKN)
Pengalaman Profesi • Tim Ahli pada Badan Standard Nasional Pendidikan (BSNP)
• Tim Perumus Standard Kompetensi Kerja Nasional Indonesia (SKKNI) dan Peta Okupasi bidang TIK dan Kamsiber
●
Dosen / Akademisi Universitas Gunadarma • Anggota tim Strategi Nasional AI dan POKJA Talenta AI
●
Peneliti Universitaet Bielefed – Jerman • Tim Seleksi Beasiswa Unggulan dan DAAD
●
CTO dan advisor beberapa startup • Pengajar dan pengembang materi Digital Talent Scholarship dan Microcredential Certification – Kemdikbudristek
• Reviewer Hibah Prioritas Penelitian Nasional - BRIN
COLORING THE GLOBAL FUTURE 1/55 http://www.gunadarma.ac.id

AI – Kebijakan berbasis Data
ChatGPT dan popularitas AI
●
Skill yang perlu dimiliki untuk
memanfaatkan Generative AI
●
Bergantung pada layanan AI yang
ada
●
Tidak perlu dihafal, perlu mengetahui
sumber informasi (cheat sheet)
●
Menghasilkan pekerjaan baru →
Prompt Engineer
●
Berdasarkan teks ataupun image sebagai training test,
komputer dapat menghasilkan teks atau image
●
Mindjourney, ChatGPT, BARD dsb adalah aplikasi-aplikasi
dengan prinsip tersebut
●
Digunakan dalam perencanaan makanan yang
dipersonalisasi, menghasilkan menu dengan preferensi
dan batasan dan menghasilkan gambar menu

Pembahasan Trend AI
●
Sebagian besar tools AI yang populer bersifat generative AI (menghasilkan
data baru dari data training) yang berdasarkan Large Language Model
●
Investor banyak melakukan pendanaan untuk produk dengan embel-
embel AI
●
Perusahaan tersebut membutuhkan perangkat komputasi super komputer
Pembuatan – Pengembangan AI Teknologi AI Penggunaan – Pemanfaatan AI

AI sudah lama bersama kita
●
1943: Perceptron karya McCulloch-Pitts
●
1948 karya Alan Turing Intelligent
Machinery
●
1958 John McCarthy memperkenalkan
istilah Artificial Intelligence pada Summer
Workshop di Dartmouth College.
●
1965, General Problem Solver (GPS)
dikembangkan Newell and Simon (1965).
AI berbasiskan simbolik dengan bahasa
LISP dan Prolog
●
Multilayer Perceptron dengan
backpropagation membuka peluang Neural
Network kembali. Cognitron dari
Fukushima menunjukkan kemampuan
pengenalan pola.
●
Kendala perangkat keras khusus yang
mampu melakukan perhitungan cepat
(vector processor)
●
Kemenangan Deep Blue (IBM) menghadapi
Grand Master Kasparov menunjukkan
potensi AI
Turing Newell Simon John McCarty Cognitron, Fukushima

Otomasi dan Jenis AI
AI dapat membantu proses otomasi agar dapat berjalan dengan baik
A I
●
●
Tidak semua proses otomasi menggunakan AI, misal lift, elevator,
pembawa barang otomatis (line follower)
●
Perangkat otomasi mendapat masukan, memproses dan Assistance
memberikan keluaran. Dengan AI maka pemrosesan dengan melalui atau
Synthetic
mekanisme pembelajaran atau
Augmenting
Substitution
TURING TEST
CHINESE ROOM
PARADOX

Jenis Pendekatan Artificial Intelligence
GPS
●
Pendekatan simbolis
– Fakta di-representasikan menjadi simbol
– Simbol beroperasi menjadi simbol lain
– Proses “reasoning” sesuai dengan logik yang
digunakan,
– High order Logic Heuristic search, state
space search, Knowledge Representation
●
Pendekatan numeris
– Fakta direpresentasikan menjadi angka
– Angka-angka tersebut diproses dengan
komputasi
Neural network
– Hasil akhir di-representasikan kembali
kedalam obyek
– Artificial Neural Networks, Genetic
Algorithm (evolutionary computation),
Fuzzy Logic
●
Pendekatan kognitif (human
reasoning)
Fuzzy
– SOAR, CLARION, ACT-R
Dunia nyata: non linear, tidak

konsisten, tidak pasti, tidak lengkap
SOAR

Menuju Data Driven Nation

Data sains pada pemerintah
Pemerintah yang Disain dan
antisipatif Pemberian lebih baik Pengelolaan lebih baik
●
Perkiraan secara proaktif ●
Memprediksikan solusi ●
Penggunaan sumber daya
mengidentifikasi kebijakan secara lebih baik secara lebih efisien
pengembangan dan ●
Berinteraksi dengan pengguna ●
Meningkatkan sumber daya
kebutuhan masa dpan sebagai mitra penaikan nilai
●
Kualitas yang lebih tinggi
●
Perkiraaan untuk ●
Memberikan respon yang
menyiapkan alternatif lebih baik pada kebutuhan ●
Peningkatan secara kontinyu
luaran publik

Sisi positif dan negatif pengolahan Data
Dampak Positif Dampak Negatif

Data Mining Untuk Analisis Konten

Menganalisis media sosial, berita online, twitter dapat
ditelusuri terjadinya wabah suatu penyakit

Menganalisis dokumen dan dikaitkan dengan informasi lain
untuk menjadi hal yang diangkat pemberitaan

Melihat keterkaitan antara pemberitaan, press rilis dari
waktu ke waktu terhadap suatu masalah, dengan
menggunakan beragam visualisasi

Dirjen Bea dan Cukai - Kemenkeu
Custom Risk Engine Revenue Forecasting Passanger Risk Management
●
Risk management yang sudah
ada saat ini tidak dapat
beradaptasi terhadap perubahan
Passenger Risk Management (PNR) adalah
Rasio penerimaan DJBC
●
dunia kepabeanan yang sangat ●
aplikasi pengawasan DJBC yang
dinamis mencapai 28,6% dalam digunakan untuk monitoring penumpang
●
Nilai Hit Rate yang tidak penerimaan perpajakan pesawat yang datang ke wilayah
Indonesia, didalamnya terdapat profiling
memuaskan (Tahun 2019) apakah penumpang tersebut masuk
●
Target penerimaan yang terus kategori high risk sehingga diperlukan
meningkat setiap tahunnya
●
Belum ada pemantauan body checking atau tidak.
●
Penetapan pemeriksaan fisik
forecast penerimaan ●
Analisa lebih lanjut dilakukan dengan
harus mengikuti analisis beban secara real-time (forecast berbagai metode yang dapat membantu
profiling penumpang dengan berdasarkan
kerja di masing-masing kantor baru dilakukan secara sumber data DJBC yang berasal dari
pelayanan manual dan periodik) aplikasi internal dan eksternal

Smart Analytical Dashboard
Decision Maker Dashboard Interactive Analytical Dashboard Operational Dashboard Nagivational Dashboard
●
Monitoring Dashboards. Menunjukkan informasi yang
selalu ada pada pengguna dan dapat dilihat sekilas. Aksi
yang dibutuhkan dilakukan di aplikasi lain. Biasanya
dasboard ini ditampilkan pada command center
●
Interactive Analytic Dashboards. Memberikan perangkat
bantu visualisasi data untuk pengguna, sehingga ada filter
dan pemilihan chart/grafik yang ditampilkan
●
Navigational Dashboards. Model daftar isi dari grafik/chart
yang ditampilkan. Layar utama berbentuk global dan bisa ke
halama yang lebih ditail.
Descriptive: →What hat Diagnostic: → Why did it Predictive: → What will happen? Prescriptive: → How can we make
happened? happen? Memproyeksikan atau it happen
Menjelaskan keadaan bisnis Menjelaskan mengapa suatu memprediksi hasil masa depan Menggunakan hasil analitik prediktif
saat ini melalui data historis. masalah terjadi dengan berdasarkan data historis. dan pengetahuan lain, menyarankan
melihat data historis. upaya terbaik di masa depan.
Pengelolaan Keuangan Rumah Sakit
●
Menyajikan data-
data deskripsi dari ●
Melakukan
data yang ada di perbandingan, koralasi
sistem dari beberapa data
●
Data yang deskriptif
ditampilkan pada ●
Tujuan untuk melihat
bulan berjalan masalah pada saat
●
Fokus utama adalah revenue di bawah nilai
data deskripsi yang limit, atau parameter lain
terkait pada
Revenue Cycle
●
Diperlukan: nilai-nilai
Management limit yang perlu
diperhatikan
●
Dari data-data yang
ada, maka dapat
dilakukan prediksi,
●
Dengan
aging. melakukan
●
Dilakukan training perubahan
terlebih dahulu utk parameter maka
mendapatkan dilakukan
model untuk prediksi ke 30
prediksi aging dari
jenis-jenis penjamin hari ke depan
●
Dari model ini dapat ●
Parameter yang
diprediksi aliran dapat diubah
cash-in pada setiap
tanggal, 30 hari – Perbandingan jenis
pada bulan penjamin
mendatang (perlu – Jadwal pembayaran
konfirmasi) hutang

Menganalisis Kerjasama Negara
STOP
Start ROD ROD PI
Ratifikasi STOP
User Interface Dashboard - Visualisasi
Reporting Engine
Database Project
Workflow
Management
System
System
Analytic Dashboard + Performance Monitoring
Document Interoperability Knowledge Performance Tracking Analytic

Management Management
System Report Report Report
System

Smart Traveler/Destination/Tourism
Pariwisata beragam
tujuan, tidak hanya
pariwisata massal
tapi juga turis
ekslusif

Fleksibilitas dan
kustomisasi
merupakan kunci
Information Exchange System 
Data dan informasi
merupakan hal
yang sangat
penting
Forensik – Audit berbasisAI
Akses crawler
●
Penggunaan AI
pada forensik Dashboard
– Sebagai contoh Management
menggunakan AI pada
Sosial Media Forensik
– Menggunakan AI untuk
melakukan “super Case
resolusi” dari image Management
Kasus Telaah
– Menggunakan AI untuk Terlapor Terlapor
melihat validitas
video/audio
●
Melakukan forensik
pada sistem
berbasis AI Knowledge
Management
– Ketika sistem AI
mengolah data secara
tidak “etis”
– Ketika sistem AI
melakukan keputusan Repositori Peraturan
tetapi memiliki Dengan Skema
preferensi tidak baik
– Ketika suatu keputusan
berbasis AI tetapi
ternyata salah

AI untuk Hukum
LEGAL DRAFTER
Penelaahan berbasis AI
Search
Peraturan Bahasan Keputusan

Perundangan Analisis
HAKIM
Search Penelaahan berbasis AI
Peraturan Bahasan Keputusan

Perundangan Analisis
Hasil Catatan
Forensik BAP
Persidangan

Pemanfaatan AI di Kesehatan
●
Kombinasi AI dengan image processing, mampu
AI tidak akan menggantikan dokter membantu dokter mendeteksi penyakit kulit
Dalam mendiagosa penyakit,
Tetapi akan MEMBANTU dokter ●
BioMind dikembangkan peneliti dari AI Research
Centre for Neurological Disorders and Capital Medical
University
●
Mendeteksi dengan ketepatan 87% untuk 225 kasus
dalam waktu 15 menit
●
Tim dokter yang terdiri dari 15 dokter dari RS
ternama di China mendapatkan akurasi 66% dalam
waktu 30 menit.
●
Untuk kasus brain ematoma expansion AI 83 % dan
dokter 63%
Joseph Weizenbaum
Pendukung Kebijakan Kesehatan
●
Menyimpan data family folder tiap orang
●
Terhadap 12 indikator kesehatan
●
Indikator dihitung dari keluarga hingga
nasional
●
Saat ini telah tersimpan sekitar 200 juta orang,
dan diperbaharui per 3-6 bulan
\
PISPK - Kemenkes

Penelitian Genomic

Geospatial intelligence (GEO-INT)
Geospatial intelligence is a specialized discipline within the defense and intelligence
communities. the exploitation and analysis of imagery and geospatial information to
Imagery
describe, assess, and visually depict physical features and geographically referenced
Terrain Elevation Data
activities on theImagery
earth. Imagery Intelligence Geospatial Information
Geodetic Data
Hydrographic Data Imagery Imagery Intelligence Geospatial Information
Topographic Data
Aeronautical Data
Imagery Intelligence Data
Geospatial information can be

Imagery, in the context of
widely defined as any information geospatial information,
Geospatial
that has a spatial aspect to it, that refers to “pictures” of earth
Intelligence is, the information is tied to a locations that carry geo-
position on the earth. Geospatial Geospatial Intelligence positioning information and
●
Where are your assets? information comes from a variety are produced by a variety of
●
Where are the risks? of sources, in a variety of forms. It remote sensing equipment,
●
Where are the non-involved groups? can be transmitted and visually such as aerial photographic
cameras and satellite visible
●
How do I move or navigate portrayed in diverse ways. The
among them? and infrared digital imaging
most commonly understood
instruments.
●
What is the physical environment? manifestation of geospatial
●
What does it mean? information is the map, a product Imagery intelligence is the
●
What is the impact? that delineates, using symbols and product of imagery and
●
Where am I? text, the location of specific imagery interpretation
objects on the ground. processed for intelligence
use.
Crisis Management

AI untuk Human Capital Management
●
Kecerdasan Artifisial
(Artificial Intelligence)
mulai digunakan
untuk memperkaya
sistem Human Capital
Management (HCM)
●
Proses selesi dan
suksesi didukung
oleh pemilihan
berdasarkan data

AI untuk Penngelolaan ASN
Elearning
Elearning Ujian
Elearning Penyedia
Penyedia ASN fasilitator
Instansi
Instansi Sertifikasi
Instansi Penyedia
Training Training
dan Training Pihak ke-3
dan Training
Pihak
dan
Diklat Pihakke-3
ke-3
Suksesi Diklat
Diklat Pihak ke-3
Forecast
Platform
Knoweledge
Decision Support Sytem Rekomendasi Sharing
berbasis AI ASN
DATA
ASESMEN SIASN-MySAPK
DATA KOMPETENSI
PEGAWAI
DATA U/
MATRIKS
TALENTA
DATA HASIL ASN peserta

ASN peserta
KINERJA PEGAWAI pelatihan-sertifikasi
pelatihan-sertifikasi

Penelusuran Media Sosial
Social Interaction
Media Sosial Snapshot Social Interconnection
Eksplorasi
●
SIAPA yang memposting content
tersebut .Apakah posting tersebut terkait
langsung dengan person sesungguhnya
'
●
KAPAN posting itu dilakukan dan apakah
terkait dengan issue
●
DIMANA dilakukan posting
●
KAPAN dilakukan posting, kunjungan ke situs Community Detection
media sosial bisa sebagai histori aktivitas
●
Halaman-halaman yang dikunjungi bisa
menjadi informasi
●
Teknik-teknik
– Complete Time Line
– Location Visualization
– Event tracking
– Timeline matching
– Differential Snapshot

Pertimbangan dan Kendala
Sistem Intelligence dan Non Intelligence
●
Perbedaan mendasar TRAINING SET
INPUT
INFERENSI
– Non Intelligence, hanya bisa menemukan

jawaban berdasarkan jawaban yang ada di X
kumpulan fakta
– Intelligence, dapat menemukan jawaban Y P P W W P W P W P W
walaupun yang tidak ada di kumpulan fakta OUTPUT
tetapi berdasarkan “rule” ataupun kesamaan
“pattern”
TAHAP LEARNING
●
Unsupervised
– Diberikan nilai-nilai input yang mungkin
dan sistem akan mengelompokkan
X berdasarkan kesamaan.
Y=F(X|W) – Self Organizing Map, Hopfield
●
Supervised
– Diberikan nilai input dan output yang
diharapkan
X
– Perceptron, Feedforward, Back
Y=F(X|W) Propagation dsb
Y
Data dipakai training Data lain
●
Training Set [(x0, y0),……… (xt, yt)] TAHAP INFERENSI
●
Input test xk tidak di dalam training set
●
Sistem dapat memberikan jawaban yk Stability Test
Plasticity Test
yang mendekati dengan pola yang ada X Y=F(X|W) Y
pada training set

Perbedaan Pengembangan Solusi AI
Source: Machine Learning

Engineering
Diimplementasikan
Jadi program
Diimplementasikan
Dan dideploy pada sistem
Jadi program Untuk
Untuk membuat model
memanfaatkan
modelc

Metode CRISP-DM
MS Data Science
SEMMA
Knowledge Discovery
IBM Data Science
Data Mining
Domino Data Lab

●
CRISP-DM: Cross Industry Standard Process
for Data Mining INTEL - AI project Cycle
●
Non proprietary, Kerangka Kerja untuk
Panduan Kerja, diasopsi banyak persh2 dunia
●
Diadopsi menjadi Standard Kompetensi Kerja
Nasional, Kepmennaker No. 299/2020

Arsitektur SPBE Nasional

Undang-Undang Nomor 25 Tahun 2009 tentang Pelayanan Publik ●
Kelompok arsitektur

Undang-Undang Nomor 19 Tahun 2016 tentang Perubahan Atas UU No. SPBE:
11 Tahun 2008 tentang ITE
– Arsitektur SPBE Nasional

Peraturan Presiden Nomor 95 Tahun 2018 tentang Sistem Pemerintahan
Berbasis Elektronik – Arsitektur SPBE Instansi
Pusat

Peraturan Presiden Nomor 39 Tahun 2019 tentang Satu Data Indonesia
– Arsitektur SPBE
Pemerintahan Daerah
●
Domain arsitektur
– Domain arsitektur proses
bisnis;
– Domain arsitektur data dan
informasi;
– Domain arsitektur layanan;
– Domain arsitektur aplikasi;
– Domain arsitektur
infrastruktur;
– Domain arsitektur
keamanan.

SPBE untuk Pemanfaatan Data Bersama
SPBE dan Satu Data
Integrasi Integrasi Integrasi

Integrasi Proses Bisnis
Goal Perencanaan Anggaran Regulasi

Siklus Pemanfaatan Data
Arsip
BASE
ACID
Data Transaksi Analitik

Operasonal
Sistem Elektronik
Aplikasi Aplikasi
Catatan Log
Log Bukti
Dukungan Live Forensic Dukungan Live Forensic
Elektronik CIA
Dukungan Live Migration Dukungan Live Migration
●
Apakah selalu tersedia

Apakah sistem online yang kritis, harus dimatikan agar dapat
melakukan forensik
●
Apakah bisa diedit oleh pengelola sistem
●
Apakah ditanda-tangan digital?

Semua log dapat tersimpan dengan baik dan tidak menjadi
hilang karena harus dimatikan terlebih dahulu

Peran data pada AI
Data
Science
Data Data AI
Base Engineering and
Machine Learning
Data
Analyst
●
Data sangat penting, banyak organsisasi mengabaikan di dalam pengelolaan data
●
Kecerdasan Artifisial (Artificial Intelligence) banyak digunakan sistem pengambil
keputusan
●
Ddata set ini akan digunakan untuk melakukan training penyusunan model
●
Suatu solusi AI hanya dapat dibuat berbasiskan data yang baik, Agar dapat
mengembangkan sistem pengambil keputusan yang baik dengan memanfaatkan
kecerdasan artifisial, maka kualitas data harus dikelola dengan baik terlebih
dahulu
Data Engineering pada AI
●
Di dalam penerapan AI, penerapan teknologi pengolah data, dan manajemen data sangat penting.
●
Data adalah “modal” utama yang harus dikelola. Bukan hanya sebagai data yang diproses, tetapi sebagai model.
●
Model ini juga diupdate sehingga penanganan version perlu dilakukan
●
Datascience hanya dapat dilakukan bila tersedia data yang baik
●
Dibutuhkan pengetahuan menyimpan dan mengelola data dengan baik ini dilakukan oleh Data Engineer (lebih
dari Database Admininstrasi
●
Pengetahuan ini akan melibatkan integrasi data, pengetahuan metadata, jenis database dan strategi storage

Integrasi dan Interoperabilitas
• Integrasi Presentasi. User interface yang Sistem 1 Sistem 2
menyediakan akses pada suatu aplikasi. kinerja, Monolitik Beberapa sistem yang sama
(Sistem tunggal) Teknologi dan struktur data
persepsi, dan tidak adanya interkoneksi antara Bila sistem hanya pada 1
aplikasi dan data. organisasi
Sistem 3 Sistem 4
• Integrasi Data. Dilakukan langsung pada basis
data atau struktur data. Jika terjadi perubahan
model data, maka integrasinya perlu direvisi Sistem 1 SOLUSI
Sistem 2
atau dilakukan ulang.
• Integrasi Fungsional Proses integrasi dilakukan Beragam organisasi
Beragam teknologi
pada level logika bisnis pada beberapa aplikasi. Integrasi terjadi secara fungsi
Sistem 3 Sistem 4 Interoperabilitas secara fleksibel
●
Otonomi
– Setiap lembaga dapat menggunakan sistemnya sendiri, database sendiri, sistem
operasi dan aplikasi sendiri
– Setiap lembaga secara otonomi menentukan data yang akan disharing (data
publik yang dimiliki dan lembaga tersebut sebagai walidatanya)
– Setiap lembaga secara otonomi dapat menentukan data yang akan disalinnya
dari lembaga lain
; ●
Interoperable
– Walaupun sistem berbeda tetapi tetap dapat melakukan pertukaran data
dengan mekanisme layanan (service)
– Pertukaran menggunakan “semantik” yang disepakati bukan menggunakan
produk yang sama

Teknologi Integrasi
●
Tahun 80-an
Pengembangan Pengembangan
– Remote Procedure Call (RPC) Sistem C
dengan C/C++ Sistem A
Pengembangan
– Electronic Data Interchange Sistem B
(EDI) dengan ASN.1
– Distributed Component Sub sistem Sub sistem
Pendukung Pendukung
Object Model (DCOM) integrasi integrasi
●
Tahun 90-an
WSO2 – CORBA (Unix/Linux)
Krakend
Umbrella API
– Web dan Http
Konq ●
1998
Tyk.io Metadata Management Service Directory SDMX Protocol
– XML kemudian XML-RPC
Zato ●
Statistical Data and Metadata
– Service Oriented ●
Mencatat data ●
Mencatat layanan data
Mulesoft Exchange Protocol untuk
Architecture (SOA) dan sumber data yang diberikan menjelaskan data statistik dan
Istio Lembaga lain dapat
●
Metadata terkait ●
metadatanya
RabbitMQ ●
2000 memanfaatkan data dan ●
Memudahkan pertukaran data
Kafka – Web Service : Universal analisis yang ada statistik antar lembaga sejenis
Object Storage Discovery Discovery and
Integration (UDDI), Web Waktu pengembangan untuk Pemanfaatan Data Bersama
Service Description
Language, SOAP
●
2010-an
– REST (dipelopori Ray
Fielding), persh besar kembal
ke http dengan REST
●
2015-an
– GraphQL
– gRPC
Kualitas Data → AI

Technology Stack untuk AI
Data
Aplikasi
Library
Framework
Software
Manajemen
Infastruktur
Server+Network
Storage

Perangkat Bantu Visual
Weka Orange3
●
Waikato ●
Perangkat bantuk
●
Waikato
Environment untuk analisis,
Environment for
for Knowledge visualisasi,
Knowledge
Analysis eksplorasi
(Weka), distribusi statistik,
Analysis (Weka),
clustering dan
dikembangkan
developed at the sebagainya
University of of
University
Waikato,
Waikato, New
New
●
Dapat melakukan
Zealand.
Zealand. kualitatif analisis
dengan cepat dan
●
●
Perangkat
Datamining GUI yang
bantu
tools dengan memungkinkan
Datamining dan
Machine pembuatan
Machine prototype untuk
Learning
Learning analisis data
Platform KNIME
Rapidminer ● ●
Konstanz
untuk data Information
science Miner, bersifat
open source
●
Lingkungan
untuk platfrom
terintegrasi analsiis data,
untuk data reporting
preparation,
machine
●
Mengintegrasikn
learning, deep komponen untuk
learning, text machine learning,
data mining
mining, dan
degnan konsep
analisis pipelining
prediktif

Perangkat Bantu Pemrograman
Python R
●
Dimulai dengan library minimal tetapi dapat ditambah ●
R adalah program pengolah statistik bersifat
beragam libary
open source diturunkan dari “S” proprietary
●
Tersedia beragam library untuk AI dan Data Science →
Jupyternotebook ●
Menyediakan beragam paket (CRAN) yang
●
Dapat menggunakan Anaconda (tersedia Windows, Linux, siap digunakna untuk pengolahan statistik
Mac)

Total
56,5 PetaFLOPS
Superkomputer di kampus-kampus
Dirjen DIKTIRISTEK 2018 2020 2021
25 PetaFLOPS (5 DGX A100) Dana Dana
Univ. Gunadarma Univ. Gunadarma
Universitas Gunadarma
11 PetaFLOPS (2 DGX A100 + 1 DGX-1)
Institut Teknologi Bandung

7 PetaFLOPS (1 DGX A100 + 2 DGX-1) Pelatihan dosen Pelatihan untuk semua Penelitian
Penelitian mahasiswa UG Kerjasama industri
Universitas Gadjah Mada Universitas Indonesia

6 PetaFLOPS (1 DGX A100 + 1 DGX-1) 6 PetaFLOPS (1 DGX A100 + 1 DGX-1)
Universitas Telkom Universitas Brawijaya

5 PetaFLOPS (1 DGX A100)
Institut Teknologi Sepuluh November 5 PetaFLOPS (1 DGX A100)
5 PetaFLOPS (1 DGX A100)
Universitas Dian Nuswantoro Institut Pertanian Bogor
5 PetaFLOPS (1 DGX A100) 5 PetaFLOPS (1 DGX A100)
Universitas Jember
2.5 PetaFLOPS (1 DGX Station A100)

Persiapan SDM
Pekerjaan di bidang AI dan Data Science
01 AI/ML Engineer
Mengembangkan metoda AI dan ML untuk diterapkan memecahkan solusi
02 Data Scientist
Mengembangkan model terbaik dari data untuk menjawab permasalahan bisnis
Data Engineer
03 Menyiapkan (big) data untuk diolah/ dimodelkan
Data Analyst
04 Menganalisis/ mencari insight dari data (dan menampilkannya dalam dashboard)
Project/ Product Manager

05 Mengelola projek/ produk berbasis data.
Domain Expert
06 Memberi arahan tentang domain permasalahan
07 IT People
Menyiapkan infrastruktur IT (terutama deployment)

Sumber Daya Manusia
Guru Dosen Karyawan Executives Pemerintah
Introduction to AI, AI Readiness, Data Engineering, AI&ML, Advanced AI&ML
Pelatihan
Data Engineer
EITC/AI/AIF Artificial intelligence
Assoc Data Scientist, fundamentals [v1r2]
Data Scientist,
Data Annotator Assoc AI/ML Engineer AI/ML Engineer
Introduction to
AI Readiness Data Engineering, AI Advanced AI
AI
SD/SMP SMA/SMK Dipl/Sarjana Pasca Sarjana National Standard for Occupation

Data Science AI/ML
Computational Thinking
Data Data AI/ML
Pendidikan Karakter 7 Engineer Scientist Applied
Research
●
AI telah banyak digunakan para bisnis dan
Associate Associcate Associate
pengoperasian organisasi, karena Jumlahnya menengah 6 Data Data AI/ML
memungkinkan efisiensi lebih baik Peneliti Penyedia dan Lembaga Engineer Scientist Engineer
Pengembang Pemerintah
●
Penguasaan AI menjadi modal persaingan
Teknologi
untuk masa depan, pengetahuan tentang Pengembang
IABAC
AI bukan saja untuk bidang komputer atau Solusi Int. Assoc. Bussines
teknik tetapi untuk semua bidang (seperti Persiapan Analytics Certification
penguasaan ICT) Data Jumlahnya besar
Lembaga pemerintah
●
Beragam teknologi ataupun kerja organisasi
Penentu
kini berbasiskan Kecerdasan Artifisial (AI).
Pengguna Kebijakan
●
Talenta bidang AI menjadi tantangan besar. Jumlahnya besar
Perlu peningkatan peran perguruan tinggi Lembaga pemerintah
dan lembaga penelitian di dalam
melakukan penelitian dan pengembangan
AI
Kompatibilitas
Kompetensi
Model KSA lain
Knowledge
Skill
Abilities
Pendidikan
UU No 2 ttg Pendidikan Tinggi
KKNI
SKKNI
Peta Okupasi
Pemerintah
Industri UU No 5. ttg ASN 2014
PM MenPAN RB No 38/2017

SKKNI – Peta Okupasi – Kebutuhan Kerja
●
Literacy TIK : Kebijakan Sejumlah instansi K/L/D
– SKKNI Pengoperasian Komputer Managerial
●
Programmer → Ahli
– SKKNI Programmer Pendukung Teknis
– SKKNI Qualiy Assurance (Develop) → Middle
– SKKNI Mobile Programmer
Pendukung Teknis
●
Rekayasa Perangkat Lunak (Pendukung Operasional) → Basic
– SKKNI Enterprise Architecture Design
– SKKNI IT Auditor Pengguna TIK → Literasi
– SKKNI Data Science
– SKKNI IoT
– SKKNI Knowledge Base
●
Pengembangan dan Pengelolaan Perencanaan Pembangunan Operasi Penghentian
Sistem:
– SKKNI Manajemen Layanan Teknologi
Informasi, IT Governance Programing and Hardware and
– SKKNI Cloud Computing Management Software development Digital Peripheral
– SKKNI Pengelolaan Pusat Data, Okupasi Nasional TIK
– SKKNI Teknik Fibre Optik, IT Enterprise Integration
Architecture Application System
– SKKNI Komunikasi Satelit,
– SKKNI Jaringan Komputer dan Sistem
IT Service IT Mobility and IT Service
– SKKNI Jaringan Selular Management System Internet of Things Management System
– SKKNI Peliodungan Data Prbadi
IT Concultancy Information System IT and Computing
●
Keamanan Siber Okupasi Nasional Kamsiber And Adivisory And Technology Devel Facility Management
– SKKNI Keamanan Informasi,
– SKKNI Secure Operation Center (SOC) IT and Computing Data Management
– SKKNI Audit Keamana Informasi Facility Management System
– SKKNI Uji Penetrasi
IT Service Network And
– SKKNI Forensik Digital Infrastructure
Management System
– SKKNI Kriptografi
Operation And
●
Multimedia dan Grafik System Tools
– SKKNI Multimedia
– SKKNI Komputer Grafik IT Security and
Compilance

Jabatan Fungsional Khusus
Pranata Komputer Utama Pengendali Frekuensi Radio Madya
Perekam Medis Trampil
Pranata Komputer Muda Pengendali Frekuensi Radio Muda
Perekam Medis Penyelia Deskripsi
Pranata Komputer Pertama Pengendali Frekuensi Radio Pertama
Perekam Medis Pelaksana Lanjutan Kamus Kompetensi Okupasi
Pranata Komputer Penyelia Pengendali Frekuensi Radio Penyelia
Perekam Medis Pelaksana Jabatan Teknik Pada
Pranata Komputer Madya Pengendali Frekuensi Radio Pelaksana
Pranata Komputer Pelaksana
Perekam Medis Ahli Pertama Lanjutan Peta Okupasi
Lanjutan Surveyor Pemetaan Madya Pustakawan Pertama
Pranata Komputer Pelaksana Surveyor Pemetaan Muda Pustakawan Madya
Surveyor Pemetaan Pertama
Unit
Pranata Komputer Pelaksana Pustakawan Penyelia
Pemula Surveyor Pemetaan Penyelia
Kamus Kompetensi Kompetesi
Pustakawan Utama
Auditor Utama Surveyor Pemetaan Pelaksana Pustakawan Muda
Kompetensi Teknik Pada
Auditor Madya Surveyor Pemetaan Pelaksana Pustakawan Pelaksana Lanjutan
SKKNI
Auditor Muda Pemula
Pustakawan Pelaksana
Auditor Pertama Surveyor Pemetaan Pelaksana
Lanjutan Radiografer Pelaksana Kebijakan Sejumlah instansi K/L/D
Auditor Penyelia Statistisi Madya
Managerial→ Ahli
Auditor Pelaksana Lanjutan Radiografer Penyelia Statistisi Muda
Auditor Pelaksana Radiografer Pelaksana Lanjutan Statistisi Penyelia Pendukung Teknis
Asisten Teknisi Litkayasa Pengamat Meteorologi dan Statistisi Pelaksana (Develop) → Middle
Geofisika Muda Statistisi Pelaksana Lanjutan
Asisten Teknisi Litkayasa Madya
Pengamat Meteorologi dan
Pendukung Teknis
Statistisi Pelaksana Pemula
Asisten Teknisi Litkayasa Muda Geofisika Pertama (Pendukung Operasional) → Basic
Arsiparis Utama Pengamat Meteorologi dan Statistisi Pertama
Arsiparis Madya Geofisika Penyelia Teknisi elektromedis Pelaksana Pengguna TIK → Literasi
Arsiparis Muda Pengamat Meteorologi dan Teknisi Penelitian dan Perekayasaan Penyelia
Geofisika Pelaksana Lanjutan
Arsiparis Pertama Teknisi Penelitian dan Perekayasaan
Pengamat Meteorologi dan Pelaksana Lanjutan
Arsiparis Penyelia Geofisika Pelaksana
Teknisi Penelitian dan Perekayasaan
Arsiparis Pelaksana Lanjutan Pranata Nuklir Utama Pelaksana
Arsiparis Pelaksana Pranata Nuklir Madya Teknisi Penelitian dan Perekayasaan
Sandiman Madya Pelaksana Pemula
Pranata Nuklir Pertama
Sandiman Muda Ahli Peneliti Utama
Pranata Nuklir Penyelia
Sandiman Pertama Ahli Peneliti Muda
Pranata Nuklir Pelaksana Lanjutan
Sandiman Penyelia Ahli Peneliti Pertama
Pranata Nuklir Pelaksana
Sandiman Pelaksana Lanjutan Perekayasa Utama
Pranata Nuklir Pelaksana Pemula
Sandiman Pelaksana Perekayasa Madya

Manfaat Sertifikasi Kompetensi
MAHASISWA LULUSAN PERUSAHAAN
●
Memberikan arah dan target untuk ●
Tanda bukti dan pengakuan dari negara ●
Memudahkan proses rekrutment
pencapaian suatu keahlian khusus atas kompetensi yang dimiliki ●
Mendukung HRD dalam
●
Dapat dikonversikan menjadi SKS ●
Nilai tambah saat melamar pekerjaan dan pengembangan karir karyawan
(microcredential) memperbesar kemungkinan diterima ●
Memiliki karyawan yang berkualitas
●
Menjadi ukuran diri terhadap ●
Meningkatkan kepercayaan diri
kompetensi yang dimiliki
●
Merupakan komitmen untuk
●
Memperbesar kemungkinan mendapat meningkatkan layanan dan
●
Meningkatkan kepercayaan diri upah lebih tinggi produktifitas
terutama menghadapi dunia industri
(misal ingin magang)
●
Meningkatkan jenjang karir ●
Meningkatkan efisiensi dan
mengurangi risiko
●
Dapat digunakan saat proses visa
●
Sesuai dengan MEA 2019 maka
pemegang sertifikat dapat memiliki ●
Memastikan kompetensi minimal yang
mencari kerja ke LN misal dalam
kesempatan bekerja di negara lain dimiliki personal tersebut dengan
kesempatan pekerjaan kreatif kejelasan sertifikasi
(Fotografer, film dsb)
Jerman Indonesia
●
Beberapa pelatihan dan sertifikasi
sangat berfokus pada product
knowledge yang TIDAK bersifat generic
●
Ada juga sertifikasi dari vendor yang
menggunakan materi tidak terkait pada
produk yang dimilikinya.
●
Pada beberapa negara, sertifikasi
kompetensi sebagai suatu kejelasan
profesi untuk BOLEH melakukan
pekerjaan tertentu.

Sertifikasi berbasis Standard Kompetensi
90-an
LSP
P1
LSP di
Lembaga
Pendidikan dan
Skema Pelatihan
Okupasi
Nasional
LSP Umum
SKKNI
Badan Nasional LSP
Sertifikasi Profesi
BNSP
P3
LSP
P2
Pelatihan
Berbasis
Kompetensi
PBK Lembaga Sertifikasi Profesi (LSP)
Tempat Uji Kompetensi (TUK)

Kepmennaker No. 299/2020- SKKNI Data Science
N UK Judul Associate Data Scientist
o Data Scientist
1 J.62DMI00.001.1 Menentukan Objektif Bisnis OK
2 J.62DMI00.002.1 Menentukan Tujuan Teknis Data science OK
3 J.62DMI00.003.1 Membuat Rencana Proyek Data Science
4 J.62DMI00.004.1 Mengumpulkan Data OK
5 J.62DMI00.005.1 Menelaah Data OK OK
6 J.62DMI00.006.1 Memvalidasi Data OK OK
7 J.62DMI00.007.1 Menentukan Objek Data OK OK
8 J.62DMI00.008.1 Membersihkan Data OK OK
9 J.62DMI00.009.1 Mengkonstruksi Data OK OK
10 J.62DMI00.010.1 Menentukan Label Data OK
11 J.62DMI00.011.1 Mengintegrasikan Data
12 J.62DMI00.012.1 Membangun Skenario Model OK
13 J.62DMI00.013.1 Membangun Model OK OK
14 J.62DMI00.014.1 Mengevaluasi Hasil Pemodelan OK OK
15 J.62DMI00.015.1 Melakukan Proses Review Pemodelan OK
16 J.62DMI00.016.1 Membuat Rencana Deployment Model
17 J.62DMI00.017.1 Melakukan Deployment Model
18 J.62DMI00.018.1 Membuat Rencana Pemeliharaan Model
19 J.62DMI00.019.1 Melakukan Pemeliharaan Model
20 J.62DMI00.020.1 Melakukan Review Proyek Data science
21 J.62DMI00.021.1 Membuat Laporan Akhir Proyek Data science

Indonesia AI Research Center
Use case International
DIKTI Workshop - Joint Research
AI CENTER Conference Joint Supervision
Operasional Penguatan Journal
Kerjasama Bootcamp Microcred

Benchmarking
●
Inisiatif dari Direktur Jenderal
Pendidikan Tinggi. Prof Ir. Nizam,
MSc, PhD
●
Diluncurkan pada 14 Oktober 2020
AI Hackathon dengan 6 anggota, sekarang 7
anggota
●
Konsorsium ini mengkoordinir
penelitian AI di Perguruan Tinggi di
Indonesia
●
Konsorsium ini juga mendukung
AI Startup
DIKTI AI CENTER (Super Computer
Competition Center, dikelola oleh DIKTI dengan 5
DGX A100).
AI Center of Excellence
VENDOR
HW/SW
●
Membutuhkan solusi ●
Membutuhkan solusi
●
Mengoperasikan
sistem AI Center ●
Mengoperasikan
PEMERINTAH INDUSTRI sistem
●
Membangun solusi di Of ●
Membutuhkan solusi
pemerintah
Excellence dengan platform DGX
●
Konsultan ●
Developer
●
Trainer DOSEN MAHASISWA
●
System Support
●
Peneliti
https://ai-coe.gunadarma.ac.id/
●
AI diajarkan ke mahasiswa SEMUA jurusan, baik bidang
Rekayasa dan Teknologi juga bidang Humaniora sebagai
mata kuliah unggulan
●
Semua mahasiswa mengakses komputasi dengan perangkat
Super komputer NVIDIA DGX A100
●
Materi praktek, juga diintegrasikan dengan V-Class (LMS
pada Univ Gunadarma) dan via UG TV (TV Digital)
●
Untuk embedded disediakan juga Jetson Nano dan INTEL EdgeAI
Colab Lab Super Computer
OpenVINO OpenVINO
Cluster DGX-1, DGX A100
Alur pelatihan
Pelatihan
Docker
Untuk DGX
Pengantar Datascience Associcate Data

GPU
Deep Learning For Data Scientist Scientist
Bootcamp
(DLI) Non IT (SKKNI) (SKKNI)
Perangkat
Keras
DGX

Big Brother Big Mama
Data driven application

AI based Decision Support
Ubiquitous (IoT, MobileApps)
Smart Cyber-Physics
Big Butler
TERIMA KASIH

Materi Webinar AI-ASN

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Materi Webinar AI-ASN

Diunggah oleh

Hak Cipta:

Format Tersedia

Artificial

• Prediksi target iklan di media sosial

Foto Ini oleh Penulis tidak diketahui dilisensikan di

1956 2002 – now

Cookies adalah paket data kecil

File sementara seperti Penghapusan akan

AI for Text Analytics

Spree River, Berlin, circa 2011

Salam hangat dari Universitas Indonesia! 🟡🔥

It is the process of using computers,

A word cloud provides a simple yet beautiful visualization of

FASILKOM UI Note: The word cloud above is generated from tweets of

Let's create your own word cloud in just two steps:

Entity extraction enables computers to automatically identify

Let's perform entity extraction easily:

Let's perform text clustering the quick way:

Can we make the best use of these tech advancements to deliver

Dr. rer. nat. I Made Wiryana, SSi, SKom, MAppSc

Koordinator Kerjasama Internasional

Riwayat Pendidikan Pengalaman Industri

COLORING THE GLOBAL FUTURE 1/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 3/55 http://www.gunadarma.ac.id

Pembuatan – Pengembangan AI Teknologi AI Penggunaan – Pemanfaatan AI

COLORING THE GLOBAL FUTURE 4/55 http://www.gunadarma.ac.id

Turing Newell Simon John McCarty Cognitron, Fukushima

COLORING THE GLOBAL FUTURE 5/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 6/55 http://www.gunadarma.ac.id

Dunia nyata: non linear, tidak

COLORING THE GLOBAL FUTURE 7/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 8/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 9/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 10/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 11/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 12/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 14/55 http://www.gunadarma.ac.id

Start ROD ROD PI

Document Interoperability Knowledge Performance Tracking Analytic

COLORING THE GLOBAL FUTURE 15/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 17/55 http://www.gunadarma.ac.id

Peraturan Bahasan Keputusan

Peraturan Bahasan Keputusan

COLORING THE GLOBAL FUTURE 18/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 20/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 21/55 http://www.gunadarma.ac.id

Geospatial information can be

COLORING THE GLOBAL FUTURE 23/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 24/55 http://www.gunadarma.ac.id

DATA HASIL ASN peserta

COLORING THE GLOBAL FUTURE 25/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 26/55 http://www.gunadarma.ac.id

– Non Intelligence, hanya bisa menemukan

COLORING THE GLOBAL FUTURE 28/55 http://www.gunadarma.ac.id

Source: Machine Learning

COLORING THE GLOBAL FUTURE 29/55 http://www.gunadarma.ac.id

Domino Data Lab

COLORING THE GLOBAL FUTURE 30/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 31/55 http://www.gunadarma.ac.id

Integrasi Integrasi Integrasi

COLORING THE GLOBAL FUTURE 32/55 http://www.gunadarma.ac.id

Data Transaksi Analitik

COLORING THE GLOBAL FUTURE 33/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 35/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 36/55 http://www.gunadarma.ac.id

COLORING THE GLOBAL FUTURE 38/55 http://www.gunadarma.ac.id